造型月度通胀在菲律宾使用集成季节性自回归移动平均(ARIMA)

文摘

通货膨胀可以极大地影响国家的经济。政府不仅是至关重要的,但也是一个普通人的生活方式。在决策中扮演着关键角色由家庭、企业、市场和政府。与现有的通货膨胀对一个国家的重要性,预测变得至关重要的作用。更好的决策和加强准备工作有一个良好的预测。鉴于此,本文旨在在季节性ARIMA模型在菲律宾通胀率(SARIMA)框架。用于建模的数据是从2015年1月至2020年3月月度值的。分析表明,通货膨胀率在菲律宾遵循一个季节性ARIMA (0,1,0) (1 1 0) (12)。模型(日军)平均绝对百分比误差,均方根误差(RMSE)和赛尔不平等系数值为1.189417,1.012582,和0.089779,分别。因此,该模型是足够的自值接近于零。 It is also shown to be accurate in forecasting inflation rates with an accuracy of 98.81058% for the 24-month forecast.

关键字

通货膨胀;预测;造型;SARIMA主题分类代码:E31、C53 C55

介绍

通货膨胀:效果和预测

1992年- 1995年,认为通货膨胀是死了。然而,Yap说,这个声明是不准确的,因为它是基于有缺陷的经验证据(1]。根据菲律宾央行报告,通货膨胀仍被视为威胁宏观经济稳定在菲律宾。其影响范围从菲律宾政府的家庭仍然是亚洲国家的高通货膨胀率。在过去的年,政策稳定经济导致滞胀。这是由错误的决策者的决策和经济管理。

克洛泽表示,通货膨胀是一个国家在货币下降价格增加的值。这意味着你的钱不能买今天高达你可以买昨天。在家庭环境中,通货膨胀有两个不同的效果:资产通货膨胀和收入通货膨胀(2]。如果资产拥有在价格上涨之前,它将在明年有更大的价值。一个资产通货膨胀影响家庭积极。另一方面,如果家庭收入没有跟上通货膨胀,购买力下降。随着时间的推移,收入通货膨胀会增加你的生活成本。Tolcha得出结论,人们认为通货膨胀的危险他们的生活水平3]。

通货膨胀影响企业类似。然而,一些优秀的企业可能认为通货膨胀是一个机会。通货膨胀阻碍了生产力,导致资源配置效率低下,并可能创造未来的经济衰退。在某些情况下,它提供了差异化的机会。公司必须做出明智和正确的决策,评估风险,理解金融能力和保护资本投资,以保持业务从下降4]。

影响通货膨胀会带来家庭的程度取决于市场的反应。据詹姆斯,通货膨胀持续的物价上涨引起的过度需求超过供应。它可以简单地表述为“太多美元,追逐过少的商品。“看不见的手,由亚当•斯密首次引入一个概念,描述了意想不到的社会行为,在市场经济中获益。然而,与现有的现象,公司和家庭的影响,政府干预。

有许多政府可能使用的方法来控制通货膨胀。常见的方法是决策之一。预测通货膨胀的做法通常被认为是一个重要的输入执行货币政策。中央银行,特别是菲律宾央行旨在实现价格稳定需要前瞻性的决策,位于通货膨胀预测的重要性。

通货膨胀对经济增长的重要性凸显了需要通货膨胀模型。无论是在家庭、公司或决策者,预测通货膨胀实现每个实体的目标起着至关重要的作用,改善国家的经济。更好的决策和加强准备工作有一个良好的预测。一个适当的预测模型提供了可能的一般指示环境中需要制定前瞻性的政策。

通过几十年的研究发现通货膨胀预测模型上进行。ARIMA时间序列模型预测孟加拉国的通货膨胀。结果表明,最好的模型预测长达5年的通货膨胀在孟加拉国使用38年数据ARIMA(1, 0, 0)。预计在2016年有4.40%的通货膨胀率,然后上升到2017年的4.65%略微增加率连续第二年(5]。

研究人员在他们的研究通货膨胀预测获得不同的结果。它提供了一个比较评估VAR和ARIMA模型预测奥地利和谐消费物价指数通胀在短期内。研究人员发现,VAR模型比ARIMA模型的预测精度。另一方面,表明VAR模型不执行比ARIMA(2, 1, 2)模型(6,7]。

是什么让通货膨胀难以模型是其季节性。季节性变化的存在,发生在固定的时间间隔。通货膨胀在菲律宾季节性在每月。据菲律宾统计权威(PSA),该国的通货膨胀率从8月份的6.4%上升到6.7%在2018年9月,9年来的最高水平。这也是连续9月通货膨胀率上升,2018年1月开始。另一方面,菲律宾的整体通胀进一步减速到2019年8月的1.7%。已经观察到,通货膨胀在菲律宾在ber-months通常更高。季节性产品价格上升由于圣诞假期,当需求回升但季节性下降。随着通货膨胀的季节性行为,本研究将使用SARIMA框架模型(8]。

季节性自回归综合移动平均(SARIMA)模型是普通的ARIMA模型的扩展分析时间序列数据含有季节性和没有季节性的行为。盒子和詹金斯广义模型处理季节性。SARIMA模型的预测的优势比其他时间序列模型已被许多研究证实。

分考虑;本文旨在在季节性ARIMA模型在菲律宾通胀率(SARIMA)框架。每月使用所有项目从2015年1月- 2020年3月通货膨胀率数据,它是研究的目的选择最佳拟合模型预测能力最好的(9,10]。

材料和方法

本研究的数据每月所有项目通货膨胀率从2015年1月到2020年3月,从菲律宾央行获得(BSP)可收回。

ARIMA模型

自回归综合移动平均(ARIMA)分析是一种广泛使用的时间序列预测方法。自回归(AR)是指差系列的滞后而移动平均(AR)是指错误的滞后。集成(我)是用于制造的数量差异时间序列平稳。

ARIMA (p d q)可以写成:

p是自回归部分,d是第一差分化的程度,和q是移动平均线的顺序的部分。

进行ARIMA模型,应满足以下假设:

•数据应该是静止的。有一个恒定的意思是,方差,随着时间的推移和自相关结构。

•数据应该是单变量。华宇电脑操作时间序列由单一、标量观测记录顺序在相等的时间间隔。

季节性ARIMA模型

季节性变化的规律重复周期。订单的时间序列是季节性d系列的如果有一种倾向表现出模式以固定时间间隔。

时间序列{y_t}表示在ARIMA (p d q (p d q) (s)为:

ɸ和ϴ多项式P和Q,分别。

马在季节性ARIMA模型、季节性AR和预测欧美使用数据值和错误和滞后的季节性的倍数。它长期和季节性因素都纳入了乘法模型。

确定订单的SARIMA模型(年代)

建模时间序列数据的第一步是创建一个阴谋研究趋势,季节性,non-stationarity。实现平稳性,得到数据系列稳定不恒定的自然对数均值和方差。季节性系列通常是明显的阴谋。如果数据包含的季节性,不同滞后年代,趋势和评估。季节差分消除季节性的趋势是必要的。如果有一个线性趋势,长期差分是必要的。

一旦数据满足平稳性的假设后,下一步是确定的顺序模式。P d问估计非负整数,指自回归的顺序,集成和移动平均模型,分别。利用自相关函数(ACF)和偏自相关函数(PACF)情节差的日志数据,确定可能的模型(s)通过观察AR和马。

季节性ARIMA模型,ACF展品飙升季节性滞后。如果差的ACF系列在季节性上涨滞后,季节性AR项建议。在负峰值的情况下,季节性马项是一种可能性。

AR (p)模型的PACF削减在滞后p,而马(q)有一个切断了ACF在滞后q。在实践中,±2 /√n,其中n是样本量,置信区间的函数(11]。

选择最好的模型

选择最佳模型,检查Akaike的信息标准(AIC)和施瓦兹贝叶斯信息准则(BIC)模型。AIC和BIC值最低的模型是最好的模型。BIC解决可能造成过度拟合估计模型参数使用最大似然估计(标定)。模型的系数值应根据其显著性水平评估。

诊断检查

最好的拟合模型是测试充分性通过一些模型残差的性质的分析。如果模型是足够的,残差不相关的,正态分布均值和方差和常数。ACF情节,Box-Ljung测试和Shapiro-Wilk正常测试与正常qq情节过程然后用于诊断措施(12- - - - - -16]。

预测

数据被分成训练集和测试集来计算预测精度的措施。适当的评估模型的预测,平均绝对百分误差(日军),均方根误差(RMSE)和赛尔不平等系数。精度的措施有:

y是实际的通货膨胀率,ŷ预测通货膨胀率,n是观测的数量。值越接近于零,预测就越好。

结果与讨论

明确评估的阴谋图1显示趋势的存在,周期性和季节性变化,这表明,在非平稳。每月的意思是阴谋图2验证季节性观察到第一个情节。为了实现平稳性,系列转换它的自然对数。此外,季节差分的日志系列生产系列diff(日志(通货膨胀))(见图3)。没有趋势,长期差分不再是必要的。

SARIMA模型

差的ACF通货膨胀系列图4显示负峰滞后12和24岁的和积极的峰值滞后36。PACF显示了积极的峰值滞后12,揭示马季节性的o (1)。

对于长期的组件,ACF衰变缓慢开始滞后1 PACF切断时滞后2。这告诉我们的长期组件模型。,季节性模型和他们的订单如下:

ARIMA (0,1,0) (1 1 0) (12)

ARIMA (0, 0) (2 1 0) (12)

ARIMA (0, 0) (1 1 0) (12)

选择最好的模型

ARIMA(0,1,0)(1 1 0)(12)的结果图5显示了模型的残差正态分布。模型显示的ACF 18岁但假定值飙升Ljung-Box统计称这是微不足道的。此外,季节系数组件(参见具有重要意义表1)。

残差的ARIMA(2 0 0)(2 1 0)(12)所示图6。有几个重大的ACF峰值,并且模型失败Ljung-Box测试。模型还可以用于预测,但预测时间间隔可能并不准确由于残差相关。系数的长期和季节性AR(1)但常数不是非常重要表1)。

表1。总结了模型。

在图7残差的ARIMA(2 0 0)(1 1 0)(12)显示了一个正态分布。然而,ACF显示显著的上升在18滞后和一些假定值从Ljung-Box测试是无关紧要的。这个结果意味着autocorrelated一些数据值。系数的长期和季节性AR(1)和常数是重要的(表1)。

三个模型之间的最佳拟合模型ARIMA(0, 1, 0)(1 1 0)(12),有最低的AIC和BIC值(表1)。它有一个显著的系数,没有不变的。虽然第二个模型具有最低的日军,日军价值最好的拟合模型低1.189417,这意味着它有98.81058%的准确率。

预测

预测通货膨胀的最终模型ARIMA(0, 1, 0)(1 1 0)和方程(12),

模型(日军)平均绝对百分比误差,均方根误差(RMSE)和赛尔不平等系数值为1.189417,1.012582,和0.089779,分别(见表1)。日军价值,短期预测模型的精度98.81058%。此外,RMSE和赛尔系数接近0这意味着模型可以充分预测未来通货膨胀的价值观。

24个月预测的通货膨胀率在菲律宾使用模型给出表2。数字8和9进一步显示了预测数据和训练集,并预测数据和测试集,分别。

表2。预期通货膨胀率。

Conlcusion

每月所有项目在菲律宾通胀率已被证明遵循一个季节性ARIMA(0,1,0)(1 1 0)(12)被测试是足够的。使用模型,24个月预测生产精度高。为未来的研究,其他通货膨胀公式推荐使用。其他因素如COVID-19pandemic也可以作为中介变量来预测未来的价格。

引用

1. Yap J。通货膨胀和经济增长在菲律宾。菲律宾发展研究所。2000

   (谷歌学术搜索]

2. 菲律宾统计权威。通胀报告》2020。
3. Tassew d . T。通货膨胀的影响家庭的生活水平。Int j经济商务等内容。2015;5:1-16。
4. Pidun u, et al。为什么公司应该准备通货膨胀。波士顿咨询集团(Boston Consulting Group)》2010。

   (谷歌学术搜索]

5. 伊斯兰教N。通过计量经济模型预测孟加拉国通货膨胀。点。j .经济学。公共汽车。海军上将2017;9:56 -。

   (Crossref][谷歌学术搜索]

6. 弗里茨·R,出版社。奥地利预测通货膨胀。经济模型。2004;24:470 - 480。

   (Crossref][谷歌学术搜索]

7. ·出版社。通过计量经济模型预测通货膨胀:巴基斯坦实证研究数据。人偶Universitesi》2006。

   (谷歌学术搜索]

8. Sulekha,等。通货膨胀的影响家庭消费能力。Int J最近的抛光工艺Eng。2019;7:1-4。
9. 阿布达拉毫米。通货膨胀的决定因素在苏丹1970 - 2009。苏丹喀土穆,苏丹:央行出版物。2010。
10. 阿卜杜BMA。出版社。利用ARIMA模型预测苏丹通货膨胀率。Int J经济融资。2018;8:17-22。

    (谷歌学术搜索]

11. 盐水R。通货膨胀死了吗?帕特农神庙Group.1999。

    (谷歌学术搜索]

12. 古吉拉特语N, et al。基本的计量经济学。麦格劳-希尔,2003年新德里。。

    (谷歌学术搜索]

13. Kuhe,等。建模和预测CPI通胀在尼日利亚:应用自回归综合移动平均办到的模型。J Sci Eng杂志2016;3:57 - 66。

    (谷歌学术搜索]

14. 曼昆净收益经济学原理。第七版。美国:Cengage学习。2015年。

    (谷歌学术搜索]

15. 希勒r . j .”为什么人们不喜欢通货膨胀?“国家经济研究局(National Bureau of Economic Research Inc .,国家经济研究局工作论文。1996。

    (谷歌学术搜索]

16. 通货膨胀和经济增长在菲律宾